Modellkalibrierung und Unsicherheit

Die Kalibrierung passt Modellparameter an Beobachtungen an, und die Unsicherheitsanalyse quantifiziert, wie zuversichtlich wir in die resultierenden hydrologischen Vorhersagen sein können.

Definition

Kalibrierung ist der Prozess der Anpassung von Modellparametern, sodass simulierte Ausgaben den beobachteten Daten gemäß einer gewählten Zielfunktion entsprechen; Unsicherheitsanalyse ist die Quantifizierung der Unsicherheit in Modellparametern, -struktur, -eingaben und -vorhersagen.

Scope

Dieses Thema behandelt Zielfunktionen und Leistungsmaße, Kalibrierungs- und Parameterschätzungsmethoden, das Problem der Äquifinalität sowie Rahmenwerke zur Schätzung der Vorhersageunsicherheit in hydrologischen Modellen. Es wird erörtert, wie Modelle für den Einsatz geeignet gemacht und wie ihre Zuverlässigkeit beurteilt wird, sowohl bei konzeptionellen als auch bei verteilten Modellen.

Core questions

• Wie wird die Modellleistung gemessen und optimiert?
• Wie werden Modellparameter anhand von Beobachtungen kalibriert?
• Was ist Äquifinalität, und warum erschwert sie die Kalibrierung?
• Wie kann die Vorhersageunsicherheit geschätzt und kommuniziert werden?

Key concepts

• Zielfunktionen
• Nash-Sutcliffe- und Kling-Gupta-Effizienz
• Parameteroptimierung
• Äquifinalität
• GLUE- und Ensemble-Methoden
• Vorhersageunsicherheitsgrenzen

Key theories

Zielfunktionen und Effizienzmaße

Die Leistung wird mit Zielfunktionen wie der Nash-Sutcliffe-Effizienz und ihren Zerlegungen (z. B. der Kling-Gupta-Effizienz) quantifiziert, die die Kalibrierung leiten und den Modellvergleich ermöglichen.

Äquifinalität und GLUE

In Anerkennung der Tatsache, dass viele Parametersätze Beobachtungen annähernd gleich gut anpassen, lehnt das GLUE-Framework die Suche nach einem einzelnen Optimum ab und sampelt stattdessen verhaltenskonforme Modelle, um Unsicherheitsgrenzen für Vorhersagen zu erzeugen.

Clinical relevance

Eine fundierte Kalibrierung und Unsicherheitsschätzung bestimmen, wie viel Vertrauen in Hochwasser- und Wasserversorgungsprognosen gesetzt werden kann, informieren risikobasierte Entscheidungen und Infrastrukturplanung und schützen vor übermäßigem Vertrauen in einzelne Modellvorhersagen, die zu kostspieligen Fehlern führen können.

History

Güte-der-Anpassung-Maße wie die Nash-Sutcliffe-Effizienz formalisierten die Modellevaluation im Jahr 1970; die Anerkennung der Äquifinalität und die GLUE-Methodik im Jahr 1992 verschoben die hydrologische Modellierung hin zur expliziten Unsicherheitsschätzung, und spätere Arbeiten verfeinerten Leistungsmetriken und Unsicherheitsrahmenwerke.

Debates

Formale versus informelle Unsicherheitsschätzung

Hydrologen diskutieren, ob die Vorhersageunsicherheit mit formalen Bayes'schen Wahrscheinlichkeiten, die starke Annahmen über Fehler erfordern, oder mit informellen Ansätzen wie GLUE, die flexibler sind, aber als statistisch inkohärent kritisiert werden, geschätzt werden sollte.

Key figures

• Keith J. Beven
• Hoshin V. Gupta
• James E. Nash

Seminal works

• nash1970
• beven1992
• gupta2009

Frequently asked questions

Was ist die Nash-Sutcliffe-Effizienz?

Es ist ein weit verbreitetes Maß dafür, wie gut der simulierte Hydrograph eines Modells mit den Beobachtungen übereinstimmt, indem der Fehler des Modells mit der Varianz der Beobachtungen verglichen wird; ein Wert von eins bedeutet eine perfekte Anpassung, während null bedeutet, dass das Modell nicht besser ist als die Verwendung des mittleren beobachteten Abflusses.

Warum kann ein Modell nicht einfach auf einen besten Parametersatz kalibriert werden?

Aufgrund der Äquifinalität reproduzieren viele verschiedene Parametersätze die Beobachtungen nahezu gleich gut, sodass kein einzelner Satz eindeutig der beste ist; deshalb schätzt die moderne Praxis die Unsicherheit über viele akzeptable Modelle hinweg, anstatt sich auf ein Optimum zu verlassen.